Puuston biomassadataa – rasterianalyysit tutkinnassa

Aineisto tälle kerralle on Luken (entinen Metsäntutkimuslaitos)
aineistojakelusta http://kartta.luke.fi/ Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto (2019). Tutustuin hieman sen metatietoihin. Sen koordinaatistona on ETRS-TM35FIN. Aineiston tuottamisessa käytettiin Sentinel ja Landsat satelliitin keilaimen kuvaa. Satelliittikuvan piirteiden lisäksi käytettiin metsämuuttujien suuraluekarttoja piirteinä, tässä aineistossa puuston keskitilavuutta puulajeittain. Koealat otettiin vuosina 2015-2019, ja vuonna 2019 tehtiin tuloslaskenta. Kuva-alkion koko karttaprojektiossa on 16 m x 16 m. Ladattavissa kartoissa biomassat esitetään luokissa 10 kg/ha.

Ensin laskettiin eri puulajien kokonaisbiomassat Kevon alueella Raster Calculatorissa. Sitten laskettiin puulajien biomassat yhteen hehtaareissa. Tämä tuotti ensin ongelmia, jotka johtuivat väärään databaseen tallentamisesta. Kun aloin tallentaa tuotoksia vain geodatabaseen, sen jälkeen ei olekaan ollut ongelmia.

Vertailu kartalla

Kartoista näkee, että lähellä jokiuomaa, kokonaisbiomassa on suurinta. Esimerkiksi joissain kohdissa männyn biomassa on jopa 80%, mikä tarkoittaa, että mäntyä esiintyy tällä alueella paljon. Kuitenkin alue on yleisesti ottaen erittäin niukkapuustoista ja useimmilla alueilla puiden biomassa on lähelle nollaa. Huomasin vasta myöhemmin että olisin voinut lisätä karttoihin %-merkin havainnollistamaan, että puhutaan prosenttiosuuksista. Myös “Value” tekstin olisi voinut korvata tai ottaa pois. Mutta näistä opitaan taas ensi kerralle!

Vertailin luotuja tasoja keskenään: Kuusen suurin arvo oli pienin, vain 35 %, kun taas lehtipuilla oli 66 % ja männyllä suurin, 81 %. Kuusia ei esiinny niin kuivissa ympäristöissä, ja alue saattaa olla karu. Kuitenkin puut esiintyvät uoman läheisyydessä. Korkeusvaihtelut ovat suuret ja se voi vaikuttaa kuusen esiintyvyyteen, sillä niitä sijaitsee eniten matalimmilla (ja näin ollen kosteimmillakin) kohdilla. Puiden sijaintikin vaihteli. Kuuset viihtyvät varjoisimmissa paikoissa, ja rinnevalovarjosteen kanssa tutkailemalla huomasi, että kuusia oli eniten pohjoisrinteillä eli rinteillä, joilla ei paista aurinko niin paljon. Lehtipuita taas oli eniten etelärinteillä eli aurinkoisimmilla paikoilla.

Etäisyysvyöhykkeitä ja taulukoiden tarkastelua

Seuraava, mielestäni helpompi vaihe oli tehdä bufferi jokiuomalle ja uudelleenluokitella (reclassify) sen arvot. Tehtiin siis vyöhykkeitä jokiuoman ympärille tietyiltä etäisyyksiltä (noin 200 metrin välein). Tämä kaikki tehtiin niin, että se ottaa mukaan biomassa-tasot, jotta voidaan tarkastella kuinka paljon biomassaa on milläkin alueella.

Table to excel toiminnolla sain puulajien tilastollisten tunnuslukujen taulukot Excel muotoon. Mean tarkoittaa keskiarvoa, ja se ilmoitetaan prosenteissa. Taulukossa näkyy arvot 200-1300 metrin etäisyydeltä uomasta. Eniten puustoa on selkeästi uoman 200 metrin etäisyydellä. Esimerkiksi lehtipuita on keskimäärin 4,1 %. Tämä näkyi myös visuaalisesti kartalla, että mitä lähempänä uomaa ollaan, sitä enemmän puustoa on.

Latvuspeittävyys

Sitten sovellettiin aikaisemmin tehtyä. Laskettiin siis alueen latvuspeittävyydet. Puuston latvuspeittävyys VMI:ssa tarkoittaa koealan puuston vaakatasoon projisoidun latvuston peittämää osuutta koealan alasta. Latvuspeittävyys arvioitiin VMI10:ssä prosentteina (0-99) kiinteäsäteiseltä koealalta metsä-, kitu ja joutomaalla. (Monilähteisen valtakunnan metsien inventoinnin [MVMI] kartta-aineisto [2019]).

Kun latvuspeittävyyttä havainnollisti kartalla, huomasi, että arvot lähtevät -1 eikä nollasta. Tämä johtuu lähtöarvojen virheestä, kaikkien puiden latvus on pienempi kuin nolla. Kuitenkin muokkasin tämän kartalle luettavammaksi eli nollasta prosentista 50 prosenttiin.

Visualisoin karttojen luokkia hieman. Muutin niitä niin, että luokkia on viisi, jotta asia yleistyy hieman. Yleistämisen ideana on visualisoida tuotos niin, että
tärkein informaatio näkyy selkeästi. Ihminen voi hahmottaa vain 7–10 luokkaa yhtä aikaa (Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7).

Sitten uudelleeluokiteltiin korkeusmalli korkeusluokkiin (200-500 metriä) ja esitettiin taulukoissa latvuspeittävyyttä näissä luokissa.

Taulukoista sekä kartoilta näkee, että latvuspeittävyys on suurempaa lehtipuilla. Taulukoista näkee myös, että 400m korkeudella on suurin latvuspeittävyys. Huomasin jälkikäteen, että taulukoissa on virhe, ja havupuiden taulukkoon on päätynyt edelleen minimiarvoiksi -1, mikä ei tietenkään voi oikeasti pitää paikkansa. Lisäsin jokiuomat kartoille, jotta niistä näkee, kuinka latvuspeittävyys on suurempi uoman läheisyydessä.

Kertaan vielä lopuksi luennolta opittuja/kerrattuja asioita. Aineisto voi olla epäjatkuva tai jatkuva. Esimerkiksi viimeisimmät kartat ovat jatkuvia, sillä arvot jatkuvat 0-50% välillä. Toisaalta epäjatkuva voisi olla esimerkiksi eri alueihin luokiteltu kartta.

Lokaalin kartta-algebran laskutoimituksissa yksi rasteri muuttaa arvoaan. Fokaalissa eli naapurustossa taas rasterin lähimmät rasterit muuttuvat yhdessä uudeksi rasteriksi. Zonaalissa eli alueissa rasterit muuttuvat alueen kaikkien rasterien arvojen mukaisesti. Ja globaalissa eli koko aineiston kattavassa laskutoimituksessa kaikki rasterit vaikuttavat kaikkiin ja muodostavat kokonaan uuden aineiston. Esimerkiksi jokiuoman buffereille tehtiin zonaali laskenta, joka tuotti alueittain uudet tiedot eri alueiden biomassoista.

Lähteet:

• Holopainen et al. (2015). Geoinformatiikka luonnonvarojen hallinnassa. Helsingin yliopiston metsätieteiden laitoksen julkaisuja 7
• Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto (2019). http://kartta.luke.fi/

 

Sofia Salonen, Geoinformatiikan menetelmät 2 – MAA-221, syksy 2023